万本电子书0元读

万本电子书0元读

顶部广告

深度学习入门之PyTorch电子书

1 作者本身也是从小白始门深度学习的,无论从书中内容,还是讲解思路,以及语言风格,均适合你从零始深度学习这个充满魔力的世界。 2 实例简单而不简约,用到了生成对抗网络和注意力机制等目前相对前沿的深度学习技术。 3 虽然是一本门教程,但是对原理的讲述也不含糊,清晰易懂,让读者能知其然且知其所以然。

售       价:¥

纸质售价:¥54.50购买纸书

742人正在读 | 3人评论 6.3

作       者:廖星宇

出  版  社:电子工业出版社

出版时间:2017-09-01

字       数:10.6万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:此类商品不支持退换货,不支持下载打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(3条)
  • 读书简介
  • 目录
  • 累计评论(3条)
深度学习如今已经成为了科技领域*炙手可热的技术,在本书中,我们将帮助你门深度学习的领域。本书将从人工智能的介绍手,了解机器学习和深度学习的基础理论,并学习如何用PyTorch框架对模型行搭建。通过阅读本书,你将会学习到机器学习中的线性回归和logistic回归,深度学习的优化方法,多层全连神经网络,卷积神经网络,循环神经网络以及生成对抗网络,同时从零始对PyTorch行学习,了解PyTorch基础及如何用其行模型的搭建,*后通过实战了解*前沿的研究成果和PyTorch在实际项目中的应用。 深度学习如今已经成为了科技领域*炙手可热的技术,在本书中,我们将帮助你门深度学习的领域。本书将从人工智能的介绍手,了解机器学习和深度学习的基础理论,并学习如何用PyTorch框架对模型行搭建。通过阅读本书,你将会学习到机器学习中的线性回归和logistic回归,深度学习的优化方法,多层全连神经网络,卷积神经网络,循环神经网络以及生成对抗网络,同时从零始对PyTorch行学习,了解PyTorch基础及如何用其行模型的搭建,*后通过实战了解*前沿的研究成果和PyTorch在实际项目中的应用。
【推荐语】
1 作者本身也是从小白始门深度学习的,无论从书中内容,还是讲解思路,以及语言风格,均适合你从零始深度学习这个充满魔力的世界。 2 实例简单而不简约,用到了生成对抗网络和注意力机制等目前相对前沿的深度学习技术。 3 虽然是一本门教程,但是对原理的讲述也不含糊,清晰易懂,让读者能知其然且知其所以然。
【作者】
廖星宇,目前就读于中国科学技术大学应用数学系,获得国家一等奖学金。在个人博客、知乎等平台上发布多篇关于深度学习的文章,具有一定的阅读量和人气。
目录展开

前言

第1章 深度学习介绍

1.1 人工智能

1.2 数据挖掘、机器学习与深度学习

1.2.1 数据挖掘

1.2.2 机器学习

1.2.3 深度学习

1.3 学习资源与建议

第2章 深度学习框架

2.1 深度学习框架介绍

2.2 PyTorch介绍

2.2.1 什么是PyTorch

2.2.2 为何要使用PyTorch

2.3 配置PyTorch深度学习环境

2.3.1 操作系统的选择

2.3.2 Python开发环境的安装

2.3.3 PyTorch的安装

第3章 多层全连接神经网络

3.1 热身:PyTorch基础

3.1.1 Tensor(张量)

3.1.2 Variable(变量)

3.1.3 Dataset(数据集)

3.1.4 nn.Module(模组)

3.1.5 torch.optim(优化)

3.1.6 模型的保存和加载

3.2 线性模型

3.2.1 问题介绍

3.2.2 一维线性回归

3.2.3 多维线性回归

3.2.4 一维线性回归的代码实现

3.2.5 多项式回归

3.3 分类问题

3.3.1 问题介绍

3.3.2 Logistic起源

3.3.3 Logistic分布

3.3.4 二分类的Logistic回归

3.3.5 模型的参数估计

3.3.6 Logistic回归的代码实现

3.4 简单的多层全连接前向网络

3.4.1 模拟神经元

3.4.2 单层神经网络的分类器

3.4.3 激活函数

3.4.4 神经网络的结构

3.4.5 模型的表示能力与容量

3.5 深度学习的基石:反向传播算法

3.5.1 链式法则

3.5.2 反向传播算法

3.5.3 Sigmoid函数举例

3.6 各种优化算法的变式

3.6.1 梯度下降法

3.6.2 梯度下降法的变式

3.7 处理数据和训练模型的技巧

3.7.1 数据预处理

3.7.2 权重初始化

3.7.3 防止过拟合

3.8 多层全连接神经网络实现MNIST手写数字分类

3.8.1 简单的三层全连接神经网络

3.8.2 添加激活函数

3.8.3 添加批标准化

3.8.4 训练网络

第4章 卷积神经网络

4.1 主要任务及起源

4.2 卷积神经网络的原理和结构

4.2.1 卷积层

4.2.2 池化层

4.2.3 全连接层

4.2.4 卷积神经网络的基本形式

4.3 PyTorch卷积模块

4.3.1 卷积层

4.3.2 池化层

4.3.3 提取层结构

4.3.4 如何提取参数及自定义初始化

4.4 卷积神经网络案例分析

4.4.1 LeNet

4.4.2 AlexNet

4.4.3 VGGNet

4.4.4 GoogLeNet

4.4.5 ResNet

4.5 再实现MNIST手写数字分类

4.6 图像增强的方法

4.7 实现cifar10分类

第5章 循环神经网络

5.1 循环神经网络

5.1.1 问题介绍

5.1.2 循环神经网络的基本结构

5.1.3 存在的问题

5.2 循环神经网络的变式:LSTM与GRU

5.2.1 LSTM

5.2.2 GRU

5.2.3 收敛性问题

5.3 循环神经网络的PyTorch实现

5.3.1 PyTorch的循环网络模块

5.3.2 实例介绍

5.4 自然语言处理的应用

5.4.1 词嵌入

5.4.2 词嵌入的PyTorch实现

5.4.3 N Gram模型

5.4.4 单词预测的PyTorch实现

5.4.5 词性判断

5.4.6 词性判断的PyTorch实现

5.5 循环神经网络的更多应用

5.5.1 Many to one

5.5.2 Many to Many(shorter)

5.5.3 Seq2seq

5.5.4 CNN+RNN

第6章 生成对抗网络

6.1 生成模型

6.1.1 自动编码器

6.1.2 变分自动编码器

6.2 生成对抗网络

6.2.1 何为生成对抗网络

6.2.2 生成对抗网络的数学原理

6.3 Improving GAN

6.3.1 Wasserstein GAN

6.3.2 Improving WGAN

6.4 应用介绍

6.4.1 Conditional GAN

6.4.2 Cycle GAN

第7章 深度学习实战

7.1 实例一——猫狗大战:运用预训练卷积神经网络进行特征提取与预测

7.1.1 背景介绍

7.1.2 原理分析

7.1.3 代码实现

7.1.4 总结

7.2 实例二——Deep Dream:探索卷积神经网络眼中的世界

7.2.1 原理介绍

7.2.2 预备知识:backward

7.2.3 代码实现

7.2.4 总结

7.3 实例三——Neural-Style:使用PyTorch进行风格迁移

7.3.1 背景介绍

7.3.2 原理分析

7.3.3 代码实现

7.3.4 总结

7.4 实例四——Seq2seq:通过RNN实现简单的Neural Machine Translation

7.4.1 背景介绍

7.4.2 原理分析

7.4.3 代码实现

7.4.4 总结

累计评论(3条) 4个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部